基于特征增强与Transformer的煤矿输送带异物检测
高涵1
赵培培1
于正1
肖涛2
李肖利2
李良先3
1.中国矿业大学信息与控制工程学院,江苏徐州 2211162.常州海图信息科技股份有限公司,江苏常州 2130003.焦作煤业(集团)新乡能源有限公司赵固二矿,河南新乡 453633
摘要：输送带是煤矿井下最重要的运输设备之一,在输送工作中会因锚杆、槽钢、大块矸石等异物混入造成输送带撕裂、落煤口阻塞等重大安全事故,严重影响运输效率,甚至威胁工人生命安全.为了解决现有输送带异物检测算法存在的对细长物体表征能力弱、弱语义特征提取能力差等问题,设计了一种基于低层级特征增强与Transformer机制的异物检测算法(Feature Enhancement and Trans-former YOLO,FET-YOLO).首先,针对现有检测网络难以提取细长物体特征的问题,引入可变形卷积以提升网络对细长异物的形状特性的适应性,并使用MobileViT模块增加图像中异物与背景的区分度,以提取出更符合细长异物的多样性特征,削弱背景噪声的干扰;其次,构建低层级特征增强模块(Low-Level Feature Enhancement Module,LFEM),提升异物弱语义特征在检测网络中的表达能力,以降低漏检、错检的概率;最后,引入鬼影混洗卷积(GSConv)减少因特征图尺寸变化造成的信息丢失,保证网络高效提取特征的同时,减少模型参数量.利用煤矿井下输送带工作视频制作训练集和验证集,并将提出的算法与现有的 3种输送带检测算法对比,实验结果表明:所提出的算法可以更好的解决输送带异物目标检测中细长物体检测效果差、弱语义特征提取困难的问题,具有更高的检测精度、同时符合输送带检测场景对检测实时性的要求,对于分辨率大小为 640×640的图像mAP@0.5可达0.875,mAP@0.5:0.95可达0.543,检测速度为75 fps.
关键词：异物检测YOLOv7-tiny鬼影混洗卷积输送带深度学习
分类号：TP391.4(计算技术、计算机技术)
资助基金：国家重点研发计划(2022YFC3004700)
论文发表日期：2024-07-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 199-208 )
英文信息